Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning

En este trabajo de tesis se evaluaron diferentes arquitecturas de redes neuronales profundas, configurándolas con diferentes hiperparámetros y características como son: las funciones de activación, cantidad de capas ocultas y nodos. Lo anterior, tiene como objetivo construcción de un modelo de clasi...

Full description

Saved in:

Bibliographic Details
Main Author:	GÉNESIS VIRIDIANA VARELA SALINAS
Other Authors:	Adolfo Josué Rodríguez Rodríguez
Format:	Tesis Maestria
Language:	Español[ 65]
Published:	Universidad Autónoma de Tamaulipas 2021
Subjects:	Toxicity Tox21 Deep Learning desarrollo de fármacos INGENIERÍA Y TECNOLOGÍA [7]
Online Access:	http://riuat.uat.edu.mx/handle/123456789/2277
Tags:	Add Tag No Tags, Be the first to tag this record!

id	riuat-123456789-2277
record_format	dspace
spelling	riuat-123456789-22772021-10-20T16:48:18Z Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning GÉNESIS VIRIDIANA VARELA SALINAS Adolfo Josué Rodríguez Rodríguez hugo eduardo camacho cruz Jose L. Martinez-Rodriguez Toxicity Tox21 Deep Learning desarrollo de fármacos INGENIERÍA Y TECNOLOGÍA [7] En este trabajo de tesis se evaluaron diferentes arquitecturas de redes neuronales profundas, configurándolas con diferentes hiperparámetros y características como son: las funciones de activación, cantidad de capas ocultas y nodos. Lo anterior, tiene como objetivo construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en Deep learning, el cual lleva por nombre Modelo_binario. Para la evaluación de este modelo, así como las distintas arquitecturas mencionadas se crearon y utilizaron 4 Conjuntos de datos. Estos conjuntos de datos están conformados con los datos del archivo SMILES del ensayo AhR del programa Tox21 y agregando los descriptores para cada molécula que fueron calculados con la herramienta Pybel, la diferencia en cada conjunto de datos reside en los descriptores seleccionados para cada uno de ellos. En los resultados, el Modelo_binario alimentado con los 16 descriptores de Pybel, demostró una precisión entre 3 % y 5 % más alta y una pérdida del 2% al 5% más baja en comparación a las demás arquitecturas probadas. Por otra parte, también se encontró que al emplear la función Adam como optimizador se evitó el problema de desvanecimiento de la gradiente que presentó el optimizador SGD en las arquitecturas probadas. En conclusión y de acuerdo con los resultados obtenidos, los datos de entrada en una red neuronal son de suma importancia, ya que la cantidad o selección inadecuada de las características afecta el rendimiento del modelo. Por lo anterior, la selección de una gran cantidad de descriptores, así como características en una red neuronal; no está ligado a una buena predicción. En cuanto a la cantidad de nodos y funciones de optimización que se utilizarán en un modelo de Deep learning, estas deben ajustarse al trabajo y tipo de modelo ya que fácilmente se puede caer en un sobreajuste o subajuste. 2021-10-08T18:41:17Z 2021-10-08T18:41:17Z 2020-11-24 Tesis Maestria http://riuat.uat.edu.mx/handle/123456789/2277 Español[ 65] Varela, G. (2020). Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning (Tesis de Maestría) Universidad Autónoma de Tamaulipas, México Acceso Abierto BY NC ND México[ 143] Universidad Autónoma de Tamaulipas
institution	RIUAT
collection	DSpace
language	Español[ 65]
topic	Toxicity Tox21 Deep Learning desarrollo de fármacos INGENIERÍA Y TECNOLOGÍA [7]
spellingShingle	Toxicity Tox21 Deep Learning desarrollo de fármacos INGENIERÍA Y TECNOLOGÍA [7] GÉNESIS VIRIDIANA VARELA SALINAS Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
description	En este trabajo de tesis se evaluaron diferentes arquitecturas de redes neuronales profundas, configurándolas con diferentes hiperparámetros y características como son: las funciones de activación, cantidad de capas ocultas y nodos. Lo anterior, tiene como objetivo construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en Deep learning, el cual lleva por nombre Modelo_binario. Para la evaluación de este modelo, así como las distintas arquitecturas mencionadas se crearon y utilizaron 4 Conjuntos de datos. Estos conjuntos de datos están conformados con los datos del archivo SMILES del ensayo AhR del programa Tox21 y agregando los descriptores para cada molécula que fueron calculados con la herramienta Pybel, la diferencia en cada conjunto de datos reside en los descriptores seleccionados para cada uno de ellos. En los resultados, el Modelo_binario alimentado con los 16 descriptores de Pybel, demostró una precisión entre 3 % y 5 % más alta y una pérdida del 2% al 5% más baja en comparación a las demás arquitecturas probadas. Por otra parte, también se encontró que al emplear la función Adam como optimizador se evitó el problema de desvanecimiento de la gradiente que presentó el optimizador SGD en las arquitecturas probadas. En conclusión y de acuerdo con los resultados obtenidos, los datos de entrada en una red neuronal son de suma importancia, ya que la cantidad o selección inadecuada de las características afecta el rendimiento del modelo. Por lo anterior, la selección de una gran cantidad de descriptores, así como características en una red neuronal; no está ligado a una buena predicción. En cuanto a la cantidad de nodos y funciones de optimización que se utilizarán en un modelo de Deep learning, estas deben ajustarse al trabajo y tipo de modelo ya que fácilmente se puede caer en un sobreajuste o subajuste.
author2	Adolfo Josué Rodríguez Rodríguez
author_facet	Adolfo Josué Rodríguez Rodríguez GÉNESIS VIRIDIANA VARELA SALINAS
format	Tesis Maestria
author	GÉNESIS VIRIDIANA VARELA SALINAS
author_sort	GÉNESIS VIRIDIANA VARELA SALINAS
title	Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
title_short	Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
title_full	Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
title_fullStr	Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
title_full_unstemmed	Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
title_sort	construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning
publisher	Universidad Autónoma de Tamaulipas
publishDate	2021
url	http://riuat.uat.edu.mx/handle/123456789/2277
work_keys_str_mv	AT genesisviridianavarelasalinas construcciondeunmodelodeclasificaciondetoxicidadeneldesarrollodefarmacosbasadoendeeplearning
_version_	1716885634419785728

Construcción de un modelo de clasificación de toxicidad en el desarrollo de fármacos basado en deep learning

Similar Items